Kitten-TTS 2: Açık Kaynak 1.58-bit TTS Modeli Gerçek Zamanlı CPU Üzerinde Çalışıyor

KittenML, yeni nesil Kitten-TTS 2 modelinin kod ve ağırlıklarını açık kaynak olarak yayınladı. Model, her lineer ağırlığın -1, 0 ya da +1 değerlerinden birini aldığı ternary (1.58-bit) ağırlık yapısına sahip ve 1,7 milyar parametre içeriyor. Bu sayede model, düşük bellek ayak iziyle CPU üzerinde gerçek zamanlı ses üretimi yapabiliyor; GPU'ya ihtiyaç duymadan çalışıyor.

Kitten-TTS 2, sıfır‑shot ses klonlama yeteneğiyle sadece 5 saniyeden az bir referans ses kaydıyla konuşmacının sesini ve aksanını yakalıyor. Kullanıcılar, ekstra ince ayar (fine‑tuning) yapmadan klonlanan sesin duygusal ifadesini ve vurgusunu da kontrol edebiliyor. Model, 20'den fazla dili destekleyerek çok dilli ses sentezine olanak tanıyor; hatta farklı dillerdeki ses klonlamasıyla aksanlı konuşmalar üretilebiliyor.

Yeni mimari, önceki V0.8 sürümünden tamamen farklı bir yapı sunuyor. Kalite açısından belirgin bir iyileşme, doğal konuşma akıcılığı ve duygu kontrolü sağlanıyor. Ternary çekirdekleri sayesinde CPU için optimize edilmiş bir yürütme katmanı bulunuyor ve bu da düşük maliyetli yerel ya da self‑host çözümlerini mümkün kılıyor. Açık kaynak lisansı, geliştiricilere ve araştırmacılara ücretsiz erişim ve özelleştirme imkanı tanıyor; bu da ElevenLabs gibi ticari hizmetlere alternatif bir seçenek sunuyor.

Proje, GitHub ve Hugging Face üzerinden erişilebilir durumda ve KittenML topluluğu Discord üzerinden destek sağlıyor. Kullanıcılar, kodu kolayca kendi makinelerine kurabilir, model ağırlıklarını indirip doğrudan CPU üzerinde çalıştırabilir ya da hafif bir tüketici GPU'su ile de deneyebilirler. Bu yaklaşım, özellikle GPU kaynakları sınırlı olan araştırmacılar ve küçük ölçekli uygulama geliştiricileri için büyük bir avantaj olarak öne çıkıyor.